﻿ 基于SOM-BP神经网络的船舶柴油机故障诊断方法
 舰船科学技术  2023, Vol. 45 Issue (22): 121-125    DOI: 10.3404/j.issn.1672-7649.2023.22.022 PDF

Marine diesel engine fault diagnosis method based on SOM-BP neural network
LI Gen, YANG Jian-zheng, LIU Qi
China Ship Research and Development Academy, Beijing 100101, China
Abstract: The working status of diesel engine which is the important part of the entire ship system is directly related to the safe navigation of the ship. So the study on marine diesel engine fault diagnosis method is particularly important. The SOM-BP network model based on the principal of self-organization network and back pressure network was established to diagnose marine diesel engine fault. Effectiveness of the SOM-BP neural network for marine diesel engine fault diagnosis are verified through simulation experiment.
Key words: SOM-BP neural network     marine diesel engine     fault diagnosis
0 引　言

1 SOM神经网络 1.1 SOM神经网络模型结构

SOM神经网络是无监督、自学习网络[11]，通过对故障样本数据进行聚类，将其映射至多维空间不同的位置，从而实现对故障样本数据的分类，其网络结构如图1所示。SOM神经网络由2层神经元构成，即输入层和输出层神经元。通过权向量，故障样本数据经输入层传输到输出层神经元。输入层神经元个数与故障样本维数保持一致，输出层神经元结构以二维形式呈现。

 图 1 SOM神经网络结构图 Fig. 1 Structure diagram of SOM neural network

1.2 SOM神经网络算法学习步骤

 ${d}_{jk}=\left|\right|{X}_{k}-{w}_{j}\left|\right|=\sqrt{{\sum _{i=1}^{n}({x}_{ik}-{w}_{ij}(t\left)\right)^{2}}}。$ (1)

 ${w}_{ij}(t+1)={w}_{ij}\left(t\right)+\eta(t)[{x}_{ik} -{w}_{ij}\left(t\right) ]，j=1,2,...,m。$ (2)

 ${o}_{k}=f\left(\min\right||{X}_{k}-{w}_{j}|\left|\right) 。$ (3)

SOM神经网络学习流程图如图2所示。

 图 2 SOM神经网络算法流程图 Fig. 2 Flow chart of SOM neural network algorithm
2 BP神经网络 2.1 BP神经网络模型结构

BP神经网络是一种前馈网络，其结构如图3所示，由输入层、隐含层和输出层构成。该网络的主要特点是各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接。

 图 3 BP神经网络结构图 Fig. 3 Structure diagram of BP neural network

2.2 BP神经网络算法学习步骤

 ${H}_{j}=f\left(\sum _{i=1}^{n}{w}_{ij}{x}_{i}-{a}_{j}\right) \text{，}j=1,2,...,l。$ (4)

 ${O}_{k}=\sum _{j=1}^{l}{H}_{j}{w}_{jk}-{b}_{k} \text{，}j=1,2,...,l 。$ (5)

 ${e}_{k}={y}_{k}-{O}_{k} \text{，}j=1,2,...,l 。$ (6)

 $\begin{split} & {w}_{ij} = {w}_{ij}+\eta {H}_{j}\left({1-H}_{j}\right){x}_{i}\sum _{k=1}^{m}{w}_{jk}{e}_{k} \text{，}i=1,2,...,n\text{；}\\ & j=1,2,...,l，\end{split}$ (7)
 ${w}_{jk}={w}_{jk}+\eta {H}_{j}{e}_{k} \text{，}j=1,2,...,l\text{；}k=1,2,...,m 。$ (8)

 ${a}_{j}={a}_{j}+\eta {H}_{j}(1-{H}_{j})\sum _{k=1}^{m}{w}_{jk}{e}_{k} \text{，}j=1,2,...,l，$ (9)
 ${b}_{k}={b}_{k} + {e}_{k} \text{，}k=1,2,...,m。$ (10)

BP神经网络学习流程图如图4所示。

 图 4 BP神经网络算法流程图 Fig. 4 Flow chart of BP neural network algorithm
3 SOM-BP神经网络

BP神经网络具有自学习、非线性映射能力，但需进行大量的故障样本数据训练，会导致网络训练时间较长，实时性较差。SOM神经网络能够对数据进行聚类，无需大量样本数据和人工干预，实时性强，但SOM神经网络分类的准确性依赖于采集故障样本数据的完整性以及数据量的多少。考虑到单一网络在故障诊断中的局限性，将二者进行融合，构建SOM-BP组合神经网络。

3.1 SOM-BP神经网络模型结构

SOM-BP组合神经网络融合有串联、并联2种方式。结合二者在故障诊断中各自优缺点，本文将二者串联来实现故障诊断。将SOM网络作为第一级网络，将输入样本进行自聚类，目的是减轻BP网络识别压力，降低识别难度。将BP网络作为第二级网络，对故障样本进行有导师学习，图5为SOM-BP组合网络结构图。

 图 5 SOM-BP神经网络结构图 Fig. 5 Structure diagram of SOM-BP neural network
3.2 SOM-BP神经网络算法学习步骤

 图 6 SOM-BP神经网络算法流程图 Fig. 6 Flow chart of SOM-BP neural network algorithm
4 基于SOM-BP神经网络的船舶柴油机故障诊断仿真试验

 图 7 SOM神经网络拓扑结构 Fig. 7 SOM neural network topology

 图 8 SOM神经网络邻近神经元距离 Fig. 8 SOM neighbor weight distances

 图 9 SOM神经网络分类情况 Fig. 9 SOM neural network classification

5 结　语

1）基于SOM神经网络和BP神经网络理论基础，构建SOM-BP神经网络模型，用于船舶柴油机故障诊断，通过仿真试验验证SOM-BP神经网络在船舶柴油机故障诊断中的正确性和准确性。

2）避免了单一神经网络模型在复杂系统故障诊断中的局限性，复杂系统故障诊断提供理论依据。

 [1] 吴瑞莉. 船舶柴油机机械磨损故障诊断方法[J]. 舰船科学技术, 2018, 40(7): 109-111. [2] 陈颖. 自适应RBF神经网络在船舶柴油机故障诊断系统中的应用[J]. 舰船科学技术, 2021, 43(11): 85-87. DOI:10.3404/j.issn.1672-7649.2021.11A.029 [3] 罗亮, 李国璋, 杨权, 等. SOM-BP神经网络在机械故障诊断中的应用研究[J]. 车用发动机, 2008, 2(174): 72-75. [4] JI Mengran, CHEN Gang, YANG Qing, et al. Fault diagnosis of analog circuit based on PSO and BP neural network[J]. Journal of Shenyang Ligong University, 2014, 33(5): 90-94. [5] SUN Y J, ZHANG S, MIAO C X, et al. Improved BP neural network for transformer fault diagnosis[J], Journal of China University of Mining and Technology, 2007, 17(1): 138-142. [6] 余锋, 许开熙, 黄俊, 等. 基于 BP 神经网络的高压断路器故障诊断[J]. 真空科学与技术学报, 2019, 39(1): 249-253. [7] 陈时游, 陆海, 张少泉, 等. SOM 神经网络对永磁同步电机的故障诊断[J]. 软件, 2018, 39(8): 70-73. [8] 黄金波, 杨萍. 基于SOM神经网络的矿井提升机故障诊断技术研究[J]. 设备监理, 2019, 7: 53-54. [9] 刘兆炜, 王汉军, 李丹, 等. 改进SOM神经网络在电力调度故障诊断中的应用[J]. 计算机系统应用, 2018, 27(3): 179-185. [10] CHEN Xin-yi, YAN Xue-feng. Using improved self-organizing map for fault diagnosis in chemical industry process[J]. Chemical Engineering Research and Design, 2012, 90(12): 2262-2277. DOI:10.1016/j.cherd.2012.06.004 [11] 赵文均. 基于SOM和BP网络的K均值聚类算法分析[J]. 电脑知识与技术, 2020, 16(9): 24-26.